有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
CTPelvic1K|医学影像数据集|深度学习数据集
收藏arXiv2021-04-01 更新2024-06-21 收录
下载链接：
https://github.com/ICT-MIRACLE-lab/CTPelvic1K
下载链接
链接失效反馈资源简介：
CTPelvic1K是一个由多个来源汇聚的大型骨盆CT数据集，由中国科学院计算技术研究所创建。该数据集包含1184个CT体积，总计超过32万张CT切片，涵盖了多种外观变化，如金属伪影、低剂量等。数据集的创建过程涉及专家精心标注的多骨标签，并通过迭代深度学习策略加速标注过程。CTPelvic1K数据集主要应用于骨盆疾病的临床诊断和手术规划，旨在通过深度学习方法提高骨盆骨分割的准确性和鲁棒性。
提供机构：
中国科学院计算技术研究所
创建时间：
2020-12-16
AI搜集汇总
数据集介绍
构建方式
CTPelvic1K数据集的构建，旨在填补现有盆腔CT图像分割数据集的空白。研究者们从多个来源收集了1,184个CT体积数据，这些数据包含了广泛的形态变化，包括金属伪影等挑战性情况。数据集的标注采用了一种迭代深度学习方法（AID），该方法首先由资深专家对少量数据进行精确标注，然后训练深度网络自动标注更多数据，最后由人工进行修正。这一过程重复迭代，直至完成所有数据的标注工作。
使用方法
使用CTPelvic1K数据集时，研究者们可以将其用于训练深度学习模型，以实现盆腔骨骼的自动分割。数据集可以按照训练集、验证集和测试集进行划分，以便于模型的训练和评估。此外，研究者们还可以利用数据集中的金属伪影数据，开发针对金属伪影的分割模型。
背景与挑战
背景概述
盆腔骨分割在CT影像分析中对于临床诊断和手术规划至关重要，尤其在骨盆疾病的治疗中。传统的分割方法往往依赖于手工分割或半自动分割技术，这些方法在面对图像外观的多样性时，如多站点领域迁移、血管对比、粪便、食物残渣、骨裂、低剂量、金属伪影等问题时，其准确性受到限制。为了解决这一问题，Pengbo Liu等人于2021年构建了CTPelvic1K数据集，该数据集由1,184个CT影像组成，涵盖了广泛的影像变化。该数据集的构建填补了深度学习方法在盆腔骨分割领域的空白，为深度学习模型提供了大量的训练数据，有助于提高模型的准确性和鲁棒性。
当前挑战
CTPelvic1K数据集在构建过程中面临了诸多挑战。首先，盆腔CT影像的多样性导致了分割任务的复杂性，需要考虑不同成像分辨率、视野、站点差异以及金属伪影等因素。其次，多类别分割问题增加了分割任务的难度，需要将盆腔分割为腰椎、骶骨、左髋骨和右髋骨等多个部分。此外，由于深度学习方法需要大量的标注数据，数据标注的准确性和效率成为了一个重要的挑战。为了解决这些挑战，研究人员提出了基于迭代深度学习的标注策略，并引入了基于符号距离函数的后处理模块，以提高分割的准确性和鲁棒性。
常用场景
经典使用场景
在医学影像分析领域，CTPelvic1K数据集广泛应用于盆腔骨分割的研究。该数据集包含了大量的CT扫描图像，涵盖了各种影像学变化，如金属伪影、低剂量扫描、对比度血管、粪石和食物残渣等。这些图像经过专家标注，涵盖了腰椎、骶骨、左髋骨和右髋骨等多个部位，为深度学习模型提供了丰富的训练数据。通过使用CTPelvic1K数据集，研究者可以训练出能够准确分割盆腔骨的深度学习模型，这对于临床诊断、手术规划和疗效评估具有重要意义。
解决学术问题
CTPelvic1K数据集解决了传统盆腔骨分割方法准确率有限的问题。传统的分割方法主要依赖于手工分割或半自动分割，这些方法在处理图像外观变化时效果不佳。CTPelvic1K数据集提供了大规模的带标注盆腔CT图像，为深度学习方法在盆腔骨分割任务中的应用提供了数据基础。通过使用该数据集，研究者可以训练出更加准确和鲁棒的盆腔骨分割模型，从而提高了盆腔骨分割的准确率和鲁棒性。
实际应用
CTPelvic1K数据集在实际应用场景中具有广泛的应用价值。通过使用该数据集训练出的盆腔骨分割模型，可以应用于临床诊断、手术规划和疗效评估等场景。例如，在临床诊断中，准确的盆腔骨分割可以帮助医生评估盆腔骨折的严重程度，并为选择合适的手术方案提供依据。在手术规划中，盆腔骨分割模型可以帮助医生进行三维重建，从而更好地进行手术规划。在疗效评估中，盆腔骨分割模型可以用于评估手术后的恢复情况。CTPelvic1K数据集的应用为临床实践提供了重要的支持。
数据集最近研究
最新研究方向
在医学影像领域，特别是骨盆骨分割方面，深度学习技术正展现出巨大的潜力。CTPelvic1K数据集的提出，填补了大规模骨盆CT数据集的空白，为研究人员提供了丰富的训练资源。该数据集包含1,184个CT体积，涵盖了多种形态变化，为深度学习模型提供了学习复杂场景的机会。基于此数据集，研究团队开发了一个多类深度网络，能够同时分割腰椎、骶骨、左髋骨和右髋骨，从而获得更有效和鲁棒的特征表示。此外，研究团队引入了基于符号距离函数（SDF）的后处理模块，进一步提高了系统的鲁棒性。CTPelvic1K数据集的开放和研究成果的发布，为骨盆骨分割领域的研究提供了新的方向和可能性，有望推动临床诊断和手术规划的自动化进程。
相关研究论文
- 1Deep Learning to Segment Pelvic Bones: Large-scale CT Datasets and Baseline Models中国科学院计算技术研究所 · 2021年
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
Google Scholar
Google Scholar是一个学术搜索引擎，旨在检索学术文献、论文、书籍、摘要和文章等。它涵盖了广泛的学科领域，包括自然科学、社会科学、艺术和人文学科。用户可以通过关键词搜索、作者姓名、出版物名称等方式查找相关学术资源。
scholar.google.com 收录
poi
本项目收集国内POI兴趣点，当前版本数据来自于openstreetmap。
github 收录
UniProt
UniProt（Universal Protein Resource）是全球公认的蛋白质序列与功能信息权威数据库，由欧洲生物信息学研究所（EBI）、瑞士生物信息学研究所（SIB）和美国蛋白质信息资源中心（PIR）联合运营。该数据库以其广度和深度兼备的蛋白质信息资源闻名，整合了实验验证的高质量数据与大规模预测的自动注释内容，涵盖从分子序列、结构到功能的全面信息。UniProt核心包括注释详尽的UniProtKB知识库（分为人工校验的Swiss-Prot和自动生成的TrEMBL），以及支持高效序列聚类分析的UniRef和全局蛋白质序列归档的UniParc。其卓越的数据质量和多样化的检索工具，为基础研究和药物研发提供了无可替代的支持，成为生物学研究中不可或缺的资源。
www.uniprot.org 收录
威廉王岛—全球变化数据大百科辞条
威廉王岛（King William Island）位于北美洲，北极圈内，属于加拿大北极群岛。它位于维多利亚岛和布西亚半岛之间，距离维多利亚岛85 km；北面距离威尔士亲王岛155 km；南面隔斯托里斯海峡和辛普森海峡与北美洲大陆(阿德莱德半岛)相望，最近处只有3.3 km。威廉王岛于1830年被指挥官詹姆斯.罗斯（James Ross）发现，以当时在位的英国君主威廉四世的名字命名。行政区划上，威廉王岛隶属于加拿大努纳武特（Nunavut）地区。它的地理位置为：69°54′22″N - 68°27′12″N，99°32′48″W - 95°09′25″W。威廉王岛总面积13259.59 km²，海岸线总长1555.35 km。岛屿地势平坦，表面散布着无数的小湖。位于岛屿东南侧的约阿港（Gjoa Haven）是岛上最主要的居民点。在约阿港东北，有一机场。该数据集是基于Google Earth遥感影像全球多尺度海陆（岛）岸线数据集（2015），结合加拿大相关地图完成。数据集由24个数据文件组成，以.kmz和.shp数据格式存储，数据量2.98 MB（压缩成3个数据文件，数据量2.06 MB）。
国家对地观测科学数据中心 收录
glaive-function-calling-openai
该数据集包含用于训练和评估语言模型在函数调用能力上的对话示例。数据集包括一个完整的函数调用示例集合和一个精选的子集，专注于最常用的函数。数据集的结构包括一个完整的数据集和几个测试子集。每个记录都是一个JSON对象，包含对话消息、可用函数定义和实际的函数调用。数据集还包括最常用的函数分布信息，并提供了加载和评估数据集的示例代码。
huggingface 收录